Toyota crea un campo de pruebas virtual para SAAC

Un prototipo de SUV Toyota^® blanco estaba listo para una rigurosa prueba de conducción en la sede central del fabricante de automóviles en Aichi, Japón. Los ingenieros instalaron equipos para que un robot conductor pudiera evaluar con precisión la facilidad de conducción y rendimiento del vehículo, así como el sistema avanzado de asistencia a la conducción (SAAC) en carreteras sinuosas.

En realidad, las carreteras sinuosas de esta prueba de conducción eran una simulación sofisticada de vehículo-in-the-loop (VILS) diseñada para evaluar SAAC y otras funciones dinámicas. Una pantalla externa muestra escenas en 3D mientras un simulador de conducción replica los movimientos, vibraciones y sonidos reales. Los sensores, LiDAR y cámaras proporcionan información en tiempo real.

El VILS de Toyota, denominado ADAS-RCS (Advanced Driver Assistance Systems Real Car Simulator), conecta el mundo real con el virtual a través de un dinamómetro de chasis con un bloque de cosimulación. Los robots conducen durante horas, comprobando indicadores clave de rendimiento para detectar posibles puntos débiles. Luego, la inteligencia artificial establece objetivos para abordar estos puntos, basándose en los resultados.

"La característica principal del simulador es la capacidad de realizar varias evaluaciones multifuncionales a la vez", dice Daiki Miyata, ingeniero de desarrollo de rendimiento de vehículos del grupo MBD XILS (Model-Based Development X-in-the-Loop Simulations) de Toyota, que también trabaja en el grupo Model-Based Design Platform. Su equipo trabaja para agilizar el proceso de desarrollo de vehículos mediante simulaciones específicas. El objetivo es lograr un desarrollo de vehículos eficiente.

Los entornos realistas de ADAS-RCS de Toyota permiten realizar pruebas en superficies de carretera complejas que no están disponibles en las pistas físicas del fabricante de automóviles. Pero desarrollar modelos de datos de carreteras en 3D requiere mucho tiempo y esfuerzo. El equipo recurrió a MATLAB^® y RoadRunner para replicar condiciones de conducción reales fuera de las instalaciones.

Las vistas obstruidas y las curvas ciegas presentaron los mayores desafíos técnicos. En los procesos tradicionales de generación manual de escenas, crear carreteras en 3D era arduo y requería más de seis meses por circuito. Además, estas rutas no funcionaban en otros simuladores de Toyota, simuladores de model-in-the-loop y software-in-the-loop.

“Toyota tiene varios simuladores, por lo que preparar escenas que no se puedan reutilizar supondría un coste enorme”, dice Miyata. El equipo necesitaba un enfoque más rápido y eficiente.

Al principio de su función como ingeniero de rendimiento de vehículos en Toyota, Miyata fue responsable de mejorar la comodidad del vehículo. Descubrió MATLAB mientras desarrollaba un método para evaluar el ruido de motores. "Profundicé mi comprensión del procesamiento de señales", recuerda. "Con MATLAB y la toolboxes, me pude concentrar en lo que realmente quería hacer".

Eligió MATLAB y RoadRunner para generar rutas de conducción en 3D para el banco de simulación del grupo MBD XILS. El equipo comenzó extrayendo datos de latitud, longitud y altitud de un segmento de mapa de definición estándar ZENRIN^® DataCom para la etapa de generación de carreteras.

La experiencia de Miyata con MATLAB le permitió idear un método para automatizar el arduo preprocesamiento de datos requerido para la generación de carreteras, incluyendo el suavizado de puntos y el ajuste de curvas, para generar bancos de datos de carretera. Luego, Miyata convirtió los datos de mapas al formato OpenDRIVE^® utilizando la app Driving Scenario Designer de Automated Driving Toolbox™.

“La app Driving Scenario Designer fue práctica y me permitió hacer lo que quería más rápido de lo esperado”, afirma.

Generación de entornos circundantes

El problema resultó ser la falta de datos de elevación en ciertos puntos. Los datos digitales de elevación provienen de la Geospatial Information Authority de Japón, que realiza levantamientos y mapeos nacionales. Sin embargo, una herramienta de terceros que estaba utilizando mostraba una elevación de -9.999 en el río en el tramo del mapa correspondiente al río. Miyata recurrió a MATLAB para encontrar la solución.

Su equipo creó una herramienta que combina datos de elevación e imágenes y los convierte en un formato GeoTIFF fusionado en mosaico para RoadRunner. Con los nuevos datos de elevación, Miyata se concentró en un área específica del mapa en la interfaz gráfica de RoadRunner. Arrastró y soltó imágenes sobre la superficie del terreno, comprobó el ajuste y añadió los datos de carretera OpenDRIVE. Con unos pocos clics, añadió una línea discontinua para darle a la carretera dos carriles, hizo pequeñas correcciones y pegó la elevación.

“La interfaz gráfica de RoadRunner es intuitiva”, dice Miyata. “Es fácil hacer ajustes para situaciones complicadas como esta”.

El paso final implicó comprobar la generación de carretera con una reproducción de vídeo en RoadRunner Scenario. Un solo botón ofrece una vista aérea de 360 grados, similar a la de un dron, de los alrededores del vehículo, y otro permite ver la carretera desde la perspectiva del conductor. Esta vez, el SAAC-RCS representó con precisión las zonas de curvas y paisajes montañosos ondulados. Sin carreteras flotando. Agregar sombreado y detalles al paisaje ondulado creó un entorno más realista.

“Sin RoadRunner, hubiera llevado mucho tiempo y esfuerzo crear circuitos virtuales”, afirma Miyata. Miyata estima que su equipo tardaría al menos seis meses en crear un escenario de conducción similar.

Escalado del desarrollo de vehículos eficientes

Durante su presentación en MATLAB Expo Japón, Miyata analizó el escalado de desarrollo. Destacó cómo los script en vivo de MATLAB, App Designer y MATLAB Compiler™ ayudan a desplegar código para que varios usuarios procesen datos de sistemas de información geográfica. Acotó que el uso de Git™ permitió el control de versiones y la personalización según las necesidades del usuario. Los scripts en vivo, continuó, hicieron posible redactar manuales fáciles de entender en entornos de JupyterLab, lo que permite un despliegue de app fácil de usar.

Desde la exposición, su equipo ha ampliado la funcionalidad del simulador utilizando el mapa global editable gratuito OpenStreetMap^® para reproducir edificios simples conocidos como “activos de tofu”, en honor a los bloques de tofu. Toyota también cuenta con un departamento que se especializa en generar activos de precisión. Miyata dice que la iniciativa ADAS-RCS les inspiró a examinar nuevas formas de utilizar estos recursos.

Anticipar la evaluación de la conducción en vías públicas con ADAS-RCS todavía está en fase de verificación, pero Miyata y sus colegas esperan que, finalmente, reduzca los días necesarios para realizar las pruebas de conducción en aproximadamente un 70%.

Los planes futuros del grupo implican el uso de datos de nubes de puntos del campo para clasificar y colocar automáticamente activos de edificios en RoadRunner con IA. La tecnología de realidad mixta también se está explorando.

“Además, hemos logrado un progreso considerable y hemos conseguido incorporar el flujo real de tráfico utilizando RoadRunner Scenario”, dice Miyata. “No se puede probar SAAC a fondo sin un entorno de simulación realista".

El equipo abordó muchos casos complejos mientras creaba recursos digitales para el entorno de simulación. Contar con herramientas capaces y fáciles de usar era esencial.

“Si podemos utilizar eficazmente los activos digitales, esperamos que ADAS-RCS y XILS suban de nivel”, continúa. “Desplegarlo como una cadena de herramientas será posible, mejorando todo el proceso de desarrollo del vehículo.”